江烈農(nóng)

我們主要是搞自然語(yǔ)言處理，涉及相關(guān)語(yǔ)言繁多。過(guò)去6個(gè)月，我們研究的語(yǔ)言有（深呼吸）：英語(yǔ)、葡萄牙語(yǔ)（巴西葡萄牙語(yǔ)及葡萄牙本地語(yǔ)）、西班牙語(yǔ)、意大利語(yǔ)、法語(yǔ)、俄語(yǔ)、德語(yǔ)、土耳其語(yǔ)、阿拉伯語(yǔ)、日語(yǔ)、希臘語(yǔ)、漢語(yǔ)普通話、波斯語(yǔ)、波蘭語(yǔ)、荷蘭語(yǔ)、瑞典語(yǔ)、塞爾維亞語(yǔ)、羅馬尼亞語(yǔ)、韓語(yǔ)、匈牙利語(yǔ)、保加利亞語(yǔ)、印地語(yǔ)、克羅地亞語(yǔ)、捷克語(yǔ)、烏克蘭語(yǔ)、芬蘭語(yǔ)、希伯來(lái)語(yǔ)、烏爾都語(yǔ)、加泰羅尼亞語(yǔ)、斯洛伐克語(yǔ)、印尼語(yǔ)、馬來(lái)語(yǔ)、越南語(yǔ)、孟加拉語(yǔ)、泰語(yǔ)，以及一點(diǎn)拉脫維亞語(yǔ)、愛(ài)沙尼亞語(yǔ)、立陶宛語(yǔ)、庫(kù)爾德語(yǔ)、約魯巴語(yǔ)、阿姆哈拉語(yǔ)、祖魯語(yǔ)、豪薩語(yǔ)、哈薩克語(yǔ)、信德語(yǔ)、旁遮普語(yǔ)、他加祿語(yǔ)、宿霧語(yǔ)、丹麥語(yǔ)和納瓦霍語(yǔ)。

自然語(yǔ)言處理（Natural Lan-

guage Processing，下稱 NLP）就是要找到語(yǔ)言的模式。例如：錄入大量非結(jié)構(gòu)化的文本，自動(dòng)從中抽離結(jié)構(gòu)。NLP 有一個(gè)公開(kāi)的秘密：它極以英語(yǔ)為中心。英語(yǔ)無(wú)疑是語(yǔ)言學(xué)家研究最多的一門(mén)語(yǔ)言，于計(jì)算機(jī)科學(xué)項(xiàng)目而言，也是具有最多可用資源的一門(mén)語(yǔ)言（就計(jì)算機(jī)科學(xué)而言，數(shù)據(jù)總是越多越好）。因此，測(cè)試一個(gè) NLP 系統(tǒng)的最佳方式之一，就是換用不是英語(yǔ)的語(yǔ)言來(lái)測(cè)試。一個(gè)系統(tǒng)處理多樣化數(shù)據(jù)的能力越強(qiáng)，那么其應(yīng)付未預(yù)見(jiàn)數(shù)據(jù)的能力，也就更令人有信心。

為此，我們也許可以選擇去根據(jù)英語(yǔ)的特性來(lái)定義“怪異度”。但是，這樣的定義可是相當(dāng)令人惱火。所以咱們來(lái)試試換一種方法吧。

縱觀全球，糾出“語(yǔ)言異類(lèi)”

語(yǔ)言結(jié)構(gòu)世界地圖（World

Atlas of Language Structures，

下稱 WALS）根據(jù)一大堆各種語(yǔ)言特征，評(píng)估 2676 種不同的語(yǔ)言。這些語(yǔ)言特征包括詞序、聲音種類(lèi)、否定方式，以及許多其他方面—共計(jì) 192 種不同的語(yǔ)言特征。

因此，與其采用一個(gè)以英語(yǔ)為中心的世界觀，WALS 毋寧允許我們換用一個(gè)世界性的世界觀。也就是說(shuō)，我們?cè)u(píng)估每一門(mén)語(yǔ)言，根據(jù)的都是其每種語(yǔ)言特征的不尋常度。例如，英語(yǔ)的詞序是“主語(yǔ)—?jiǎng)釉~—賓語(yǔ)”， WALS 對(duì) 1377 種語(yǔ)言的詞序進(jìn)行編碼，其中 35.5% 具有“主動(dòng)賓”詞序。同時(shí)，只有 8.7% 的語(yǔ)言以動(dòng)詞作為起始，比如威爾士語(yǔ)、夏威夷語(yǔ)和馬揚(yáng)語(yǔ)（Majang）。因此，從跨語(yǔ)言學(xué)角度講，以動(dòng)詞作為起始，就是不尋常。另外順帶一提，實(shí)際上全世界語(yǔ)言有 41.0% 是“主賓動(dòng)”順序。（題外話：從事了一些夏威夷語(yǔ)和馬揚(yáng)語(yǔ)的相關(guān)工作后，動(dòng)詞對(duì)我而言，簡(jiǎn)直就變成如結(jié)婚般重大的承諾：每每開(kāi)口，我卻總是還沒(méi)有做好準(zhǔn)備。）

WALS 的數(shù)據(jù)相當(dāng)稀疏，所以我們把研究限定于 165 種語(yǔ)言特征，這些特征至少要包含 100 種不同語(yǔ)言的數(shù)據(jù)。（現(xiàn)階段，就這 165 種語(yǔ)言特征而言，數(shù)據(jù)不足其中 10 種的語(yǔ)言，我們也剔除掉了。因此共計(jì)還剩 1693 種語(yǔ)言。）

現(xiàn)在，有個(gè)問(wèn)題就是，如果我們的篩選到此為止，那么數(shù)據(jù)共線性太高。之所以如此，部分是因 WALS 中列舉的語(yǔ)言特征本質(zhì)而決定—有整體考量“主語(yǔ)/動(dòng)詞/賓語(yǔ)”順序的特征項(xiàng)，另又有分別考量“賓語(yǔ)/動(dòng)詞”和“主語(yǔ)/動(dòng)詞”的項(xiàng)。理想情況下，我們希望基于不相關(guān)的特征評(píng)斷怪異度。我們可以集中關(guān)注互相之間沒(méi)有很強(qiáng)相關(guān)度的語(yǔ)言特征（在兩種互相關(guān)聯(lián)的特征中，我們選擇有更多語(yǔ)言編碼的特征）。最終我們篩得總計(jì) 21 種語(yǔ)言特征。

至于某種語(yǔ)言的每項(xiàng)數(shù)據(jù)值，我們考量其他所有具備該項(xiàng)編碼的語(yǔ)言，計(jì)算該項(xiàng)值的相對(duì)頻度。因此，如果我們把“主語(yǔ)—賓語(yǔ)—?jiǎng)釉~”詞序也算進(jìn)來(lái)的話，那么英語(yǔ)得到的怪異度值就會(huì)是 0.355（實(shí)際上，我們根據(jù)每項(xiàng)語(yǔ)言特征的整體熵值對(duì)所有數(shù)據(jù)值統(tǒng)一化處理，所以這個(gè)值本身并不正好就是 0.355，但你懂這意思就行了）。因此，得到的“怪異度指數(shù)”（Weirdness Index），就是一項(xiàng)交叉考量 21 種獨(dú)特結(jié)構(gòu)特征的平均值。但是，因?yàn)椴煌奶卣鞑杉瘮?shù)值的數(shù)量不同，我們?yōu)榱藴p少統(tǒng)計(jì)偏斜，實(shí)際上取了調(diào)和平均值（又因?yàn)槲覀兿Ｍ皵?shù)字越大=越怪異”，所以終值是用 1 減去這個(gè)平均值）。本篇博文我匯報(bào)所涉及的語(yǔ)言，就這 21 項(xiàng)語(yǔ)言特征而言，至少三分之二（即 14 項(xiàng)）具有數(shù)據(jù)值（即 239 種語(yǔ)言）。

答案揭曉：全世界最怪異的語(yǔ)言是——

與全世界大多數(shù)語(yǔ)言最不同的語(yǔ)言，是一種以動(dòng)詞起句的聲調(diào)語(yǔ)言，在墨西哥的瓦哈卡（Oaxaca）有 6000 人使用，名叫“恰卡通戈米斯特克語(yǔ)”（Chalcatongo Mixtec），又名“大圣米格爾米斯特克語(yǔ)”（San Miguel el Grande Mixtec）。第二名在西伯利亞有 2.2 萬(wàn)人使用：涅涅茨語(yǔ)（Nenets）—英文里“派克大衣”或稱毛皮風(fēng)雪大衣（parka）一詞就來(lái)源于這種語(yǔ)言。第三名是喬克托語(yǔ)（Choctaw），約有 1 萬(wàn)人使用，大多在美國(guó)俄克拉荷馬州。

但是，難就難在這兒了—有些實(shí)際上最怪異的語(yǔ)言，是你聽(tīng)說(shuō)過(guò)的：德語(yǔ)、荷蘭語(yǔ)、挪威語(yǔ)、捷克語(yǔ)、西班牙語(yǔ)，以及漢語(yǔ)普通話。而且，實(shí)際上英語(yǔ)在“語(yǔ)言怪異度指數(shù)”（Language Weirdness Index）表中也位列第 33 名。

世界上最怪異的 25 種語(yǔ)言：北美洲的，恰卡通戈米斯特克語(yǔ)、喬克托語(yǔ)、大梅薩迪埃格諾語(yǔ)（Mesa Grande Diegue?o）、庫(kù)特奈語(yǔ)（Kutenai）、索克語(yǔ)（Zoque）；南美洲的，帕烏瑪利語(yǔ)（Paumarí）、特魯邁語(yǔ)（Trumai）；澳洲暨大洋洲的，皮詹加加拉語(yǔ)（Pitjantjatjara）、拉伍卡萊維語(yǔ)（Lavukaleve）；非洲的，哈勒爾奧羅莫語(yǔ)（Harar Oromo）、伊拉庫(kù)語(yǔ)（Iraqw）、剛果語(yǔ)、穆穆耶語(yǔ)（Mumuye）、祖候語(yǔ)（Ju|'hoan）、科伊科伊語(yǔ)（Khoekhoe）；亞洲的，涅涅茨語(yǔ)、東亞美尼亞語(yǔ)、阿布哈茲語(yǔ)、拉達(dá)克語(yǔ)、普通話；以及歐洲的：德語(yǔ)、荷蘭語(yǔ)、挪威語(yǔ)、捷克語(yǔ)和西班牙語(yǔ)。

順帶一提，皮詹加加拉語(yǔ)（Pitjantjatjara），這名字還能更牛嗎？（另外，你能猜出這個(gè)拉丁化拼寫(xiě)中哪個(gè)音節(jié)不發(fā)音嗎？*）

以兩項(xiàng)特征為例：?jiǎn)柧渑c代詞

“這很怪。這很怪嗎？”

（This is odd. Is this odd？）區(qū)分各種語(yǔ)言的特征之一，是“是非問(wèn)句”的提問(wèn)方式。絕大多數(shù)語(yǔ)言都有特別的疑問(wèn)語(yǔ)助詞，添加在句中某處（例如日語(yǔ)問(wèn)句句末的“か”[ka]）。在 WALS 中，有 954 種語(yǔ)言具有這項(xiàng)值的編碼，其中 584 種有疑問(wèn)語(yǔ)助詞。（譯注：又如本段段首的普通話提問(wèn)方式，添加語(yǔ)助詞“嗎”實(shí)現(xiàn)簡(jiǎn)單疑問(wèn)句提問(wèn)。）但像英語(yǔ)那樣的提問(wèn)方式，即調(diào)換詞序，其比例在所有語(yǔ)言中僅為 1.4%。也就是說(shuō)，一共只有 13 種語(yǔ)言采用這樣的方式，而它們大部分都是歐洲語(yǔ)言：德語(yǔ)、捷克語(yǔ)、荷蘭語(yǔ)、瑞典語(yǔ)、挪威語(yǔ)、弗里西亞語(yǔ)、英語(yǔ)、丹麥語(yǔ)和西班牙語(yǔ)。

但還有一種語(yǔ)言，其是非問(wèn)句的提問(wèn)方式更加不走尋常路，那就是恰卡通戈米斯特克語(yǔ)：提問(wèn)時(shí)，什么都不變。我們調(diào)查所涉及語(yǔ)言中，唯有這種語(yǔ)言提問(wèn)時(shí)沒(méi)有疑問(wèn)語(yǔ)助詞，沒(méi)有詞序調(diào)換，沒(méi)有語(yǔ)調(diào)變換……這種語(yǔ)言就“是否”提問(wèn)時(shí)，以及作簡(jiǎn)單陳述時(shí)，講話真的是毫無(wú)任何區(qū)別。我花了好些時(shí)間，想象用這種語(yǔ)言做電視游戲節(jié)目會(huì)是什么樣。

語(yǔ)言還需應(yīng)付的另一個(gè)問(wèn)題，是如何處理簡(jiǎn)單主語(yǔ)代詞，比如“我”（I）、“他們/她們/

它們”（they）、“它”（it）。這些詞稱為“代詞主語(yǔ)”（而像“有關(guān)部門(mén)負(fù)責(zé)人含糊其辭”這樣的說(shuō)法則是使用了名詞主語(yǔ)）。最通常的做法，是將代詞信息附加到動(dòng)詞上—所調(diào)查的 711 中語(yǔ)言中有 437 中語(yǔ)言采用這樣的做法，如西班牙語(yǔ)、意大利語(yǔ)和葡萄牙語(yǔ)。但是，荷蘭語(yǔ)、德語(yǔ)和挪威語(yǔ)，與英語(yǔ)一樣，寧可使用特別的主語(yǔ)代詞，而這些代詞通?！虮仨殹诰渲谐霈F(xiàn)。不過(guò)，在 WALS 有編碼的 711 種語(yǔ)言里，也只有 82 種語(yǔ)言采用這樣的處理方法。庫(kù)特奈語(yǔ)（加拿大不列顛哥倫比亞省有 100 人使用）和穆穆耶語(yǔ)（尼日利亞有 40 萬(wàn)使用者）的處理方法更不尋常：它們有類(lèi)似主語(yǔ)代詞的東西，但其在句法中的位置，則與完整名詞性短語(yǔ)的位置不同。而比這還更不尋常的，又是恰卡通戈米斯特克語(yǔ)：這種語(yǔ)言混合多種不同策略，所以既有附著在動(dòng)詞上的主語(yǔ)標(biāo)記，又有代詞，而且這些代詞在句中出現(xiàn)的位置，還與完整名詞短語(yǔ)不同。

世界上最“不怪異”的語(yǔ)言

如果我現(xiàn)在請(qǐng)你考慮一下以下這幾種語(yǔ)言，你覺(jué)得它們有多怪呢？立陶宛語(yǔ)、印尼語(yǔ)、土耳其語(yǔ)、巴斯克語(yǔ)，以及粵語(yǔ)。嚇一跳吧！它們的怪異指數(shù)排名相當(dāng)?shù)湍?。?duì)于語(yǔ)言學(xué)家和語(yǔ)言學(xué)習(xí)者而言，這幾種語(yǔ)言可能并不顯得典型；但就我們研究的 21 種語(yǔ)言特征而言，它們相當(dāng)隨大流。請(qǐng)注意，在怪異度各級(jí)分布中，我們有一些孤立語(yǔ)言（比如巴斯克語(yǔ)）。巴斯克語(yǔ)很“典型”；但是另一種孤立語(yǔ)言，庫(kù)特奈語(yǔ)，則相當(dāng)怪異。更令人驚訝的是，漢語(yǔ)普通話名列 25 大最怪異語(yǔ)言，但粵語(yǔ)卻棲身倒數(shù)十大。這與二者發(fā)音系統(tǒng)不同有關(guān)：與粵語(yǔ)不同的是，普通話有小舌延續(xù)音（uvular continuants），而且在軟腭鼻音方面有一些局限（普通話同英語(yǔ)類(lèi)似，可以發(fā)出英語(yǔ)“song”詞尾的那個(gè)音，比如漢語(yǔ)“頌”[sòng]；但無(wú)法將這個(gè)尾音置于單詞的詞首發(fā)音—世界性地來(lái)看，這個(gè)特定限制實(shí)屬罕見(jiàn)。）

而在怪異指數(shù)列表最末尾的幾種語(yǔ)言里，有兩種你聽(tīng)過(guò)，有 3 種你可能沒(méi)聽(tīng)過(guò)：匈牙利語(yǔ)，

通常享有“語(yǔ)言學(xué)異類(lèi)”的美譽(yù)，但在我們考量的這些維度里，卻是徹頭徹尾的典型語(yǔ)言。（我去年夏天在布達(dá)佩斯住過(guò)，我發(fā)誓匈牙利語(yǔ)絕對(duì)有其怪異之處，只是隱藏在其他地方了而已。）查莫羅語(yǔ)（關(guān)島有 9.5 萬(wàn)使用者）、阿伊努語(yǔ)（僅在日本有少量使用者的瀕危語(yǔ)言），以及布雷佩查語(yǔ)（Purépecha，5.5 萬(wàn)使用者，多在墨西哥），這三種語(yǔ)言都很正常。但是，所有語(yǔ)言中最最正常、超級(jí)典型、最不詭異的一種語(yǔ)言，怪異指數(shù)僅 0.087 的語(yǔ)言，是印地語(yǔ)—只有一項(xiàng)怪異特征。

這一點(diǎn)，一部分說(shuō)明，有些你想當(dāng)然以為正常的語(yǔ)言（如英語(yǔ)、西班牙語(yǔ)或德語(yǔ)），其實(shí)一貫與世界上其他語(yǔ)言格格不入。這令我想起心理學(xué)的一個(gè)基本問(wèn)題：如果我們調(diào)查研究主要基于大學(xué)生——即如約瑟夫·亨利希（Joseph Henrich）及其同事所認(rèn)為的，西方的、受過(guò)教育的、工業(yè)化的、富裕的、民主的大學(xué)生—那么這樣的研究，其概括程度到底能有多高？換句話說(shuō)，有時(shí)輸入的信息本身就“不正常”，或曰怪異，那你就要問(wèn)問(wèn)自己，這是否會(huì)導(dǎo)致研究的變化。

你講英語(yǔ)，你很怪

盡管這里采用的方法沒(méi)有以英語(yǔ)界定，但仍然夾帶了一些文化特異性的私貨。即是說(shuō)，開(kāi)發(fā)這個(gè)系統(tǒng)以及注釋這些語(yǔ)言特征的語(yǔ)言學(xué)家，大部分都是歐洲語(yǔ)言使用者。如果換為巴布亞新幾內(nèi)亞、埃塞俄比亞或亞馬遜的某個(gè)人來(lái)做研究，最終確定的語(yǔ)言特征又是哪些呢？而且，當(dāng)然，WALS 并不具備全球約 4000 種語(yǔ)言的所有數(shù)據(jù)；其所擁有數(shù)據(jù)資料的語(yǔ)言，也并不真正足夠隨機(jī)。

話雖如此，英語(yǔ)排名仍然很高，是挺不尋常的一種語(yǔ)言（排名 33 位，指數(shù)值 0.756）。如果你能帶著一個(gè)英語(yǔ)思維的大腦，去讀這篇文章英語(yǔ)原文，那你可真是怪怪噠。（譯注：你操漢語(yǔ)，能讀這篇譯文，那你的腦子更怪。）

*內(nèi)容注釋?zhuān)?/p>

譯注：原文表述略有不當(dāng)；皮詹加加拉語(yǔ)（Pitjantjatjara）在當(dāng)?shù)卦∶裾Z(yǔ)言中或可簡(jiǎn)稱為“皮詹加拉語(yǔ)”（Pitjantjara ['b???an?a?a]），所以這個(gè)完整的拉丁化拼寫(xiě)并非“有一個(gè)音節(jié)不發(fā)音”，而只是有一個(gè)音節(jié)“可以”省略且不發(fā)音。